首页 > 代码库 > 简单理解正则表达式

简单理解正则表达式

2024-10-31 10:49:39   206人阅读

我理解的正则表达式：

　　正则表达式就是用于字符（串）匹配时的一种描述字符串的表达式。

关于正则表达式：

预定义的字符类

  • 用\d可以匹配一个数字；
  • 用\D表示非数字字符[^\d]
  • 用\w可以匹配一个字母或数字；
  • 用\W表示非单词字符[^\w]
  • \s表示空白字符[空格\t\n\f\v]
  • \S非空白字符[^\s]

数量词

  • 用.  可以匹配任意除换行（\n）字符；因此匹配的只能同一行的字符；再点任意匹配模式下可以匹配换行符
  • 用*表示任意个字符（包括0个）；
  • 用+表示至少一个字符；
  • 用?表示0个或1个字符；还可以使 +，.，？，*，{n，m}数量词变成非贪婪模式
  • 用{n}表示n个字符；
  • 用{n,m}表示n-m个字符；
  • 如‘\d+\-\w*\s{2-8}\w?描述的就是：123-a  2或1-________(_表示空格）；

字符集

  • [0-9a-zA-Z\_]可以匹配一个数字、字母或者下划线；
  • [0-9a-zA-Z\_]+可以匹配至少由一个数字、字母或者下划线组成的字符串，比如‘a100‘，‘0_Z‘，‘Py3000‘等等；
  • [a-zA-Z\_][0-9a-zA-Z\_]*可以匹配由字母或下划线开头，后接任意个由一个数字、字母或者下划线组成的字符串，也就是Python合法的变量；
  • [a-zA-Z\_][0-9a-zA-Z\_]{0, 19}更精确地限制了变量的长度是1-20个字符（前面1个字符+后面最多19个字符）；
  • A|B可以匹配A或B，所以(A|a)m可以匹配‘Am‘或者‘am‘；

边界匹配

  • ^表示行的开头，^\d表示必须以数字开头；
  • $表示行的结束，\d$表示必须以数字结束；
  • \A仅匹配字符串开头
  • \Z仅匹配字符串末尾
  • \b匹配\w和\W之间的 ？？？？？？？？？？？？？？？？？？？
  • \B    匹配[^\b]
  • \表示为转义字符，在python的原生字符串r‘’里应用比较直观方便

Python内的正则表达式运用re模块

检验正则表达式最好用的函数match()

  • 判断是否匹配，如果匹配成功，返回一个Match对象，否则返回None；
  • re模块的匹配过程：正则表达式文本----编译----->正则表达式对象----匹配---->待匹配文本---->匹配结果。
  • patternr =re.compile（r‘正则表达式’） ----------编译 
  • math = pattern.match(‘待匹配字符串‘) ----------匹配
  • print match.group()                             ----------结果

re.compile(strPattern[, flag]):

这个方法是Pattern类的工厂方法，用于将字符串形式的正则表达式编译为Pattern对象。 第二个参数flag是匹配模式，取值可以使用按位或运算符‘|‘表示同时生效，比如re.I | re.M。另外，你也可以在regex字符串中指定模式，比如re.compile(‘pattern‘, re.I | re.M)与re.compile(‘(?im)pattern‘)是等价的。 
可选值有：

  • re.I(re.IGNORECASE): 忽略大小写
  • re.M(MULTILINE): 多行模式，改变‘^‘和‘$‘的行为
  • re.S(DOTALL): 点任意匹配模式，改变‘.‘的行为
  • re.L(LOCALE): 使预定字符类 \w \W \b \B \s \S 取决于当前区域设定
  • re.U(UNICODE): 使预定字符类 \w \W \b \B \s \S \d \D 取决于unicode定义的字符属性

re.X(VERBOSE): 详细模式。这个模式下正则表达式可以是多行，忽略空白字符，并可以加入注释。以下两个正则表达式是等价的：

re.compile(r"""\d +  # the integral part
                       \.            # the decimal point
                       \d *        # some fractional digits""", re.X)
 re.compile(r"\d+\.\d*")

Match

Match对象是一次匹配的结果，包含了很多关于此次匹配的信息，可以使用Match提供的可读属性或方法来获取这些信息。

属性：

  • string: 匹配时使用的文本。
  • re: 匹配时使用的Pattern对象。
  • pos: 文本中正则表达式开始搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。
  • endpos: 文本中正则表达式结束搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。
  • lastindex: 最后一个被捕获的分组在文本中的索引。如果没有被捕获的分组，将为None。
  • lastgroup: 最后一个被捕获的分组的别名。如果这个分组没有别名或者没有被捕获的分组，将为None。

方法：

  • group([group1, …]): 
    获得一个或多个分组截获的字符串；指定多个参数时将以元组形式返回。group1可以使用编号也可以使用别名；编号0代表整个匹配的子串；不填写参数时，返回group(0)；没有截获字符串的组返回None；截获了多次的组返回最后一次截获的子串。
  • groups([default]):
    以元组形式返回全部分组截获的字符串。相当于调用group(1,2,…last)。default表示没有截获字符串的组以这个值替代，默认为None。
  • groupdict([default]): 
    返回以有别名的组的别名为键、以该组截获的子串为值的字典，没有别名的组不包含在内。default含义同上。
  • start([group]):
    返回指定的组截获的子串在string中的起始索引（子串第一个字符的索引）。group默认值为0。
  • end([group]): 
    返回指定的组截获的子串在string中的结束索引（子串最后一个字符的索引+1）。group默认值为0。
  • span([group]): 
    返回(start(group), end(group))。
  • expand(template):
    将匹配到的分组代入template中然后返回。template中可以使用\id或\g<id>、\g<name>引用分组，但不能使用编号0。\id与\g<id>是等价的；但\10将被认为是第10个分组，如果你想表达\1之后是字符‘0‘，只能使用\g<1>0。
import re
m = re.match(r‘(\w+) (\w+)(?P<sign>.*)‘, ‘hello world!‘)
 
print "m.string:", m.string
print "m.re:", m.re
print "m.pos:", m.pos
print "m.endpos:", m.endpos
print "m.lastindex:", m.lastindex
print "m.lastgroup:", m.lastgroup
 
print "m.group(1,2):", m.group(1, 2)
print "m.groups():", m.groups()
print "m.groupdict():", m.groupdict()
print "m.start(2):", m.start(2)
print "m.end(2):", m.end(2)
print "m.span(2):", m.span(2)
print r"m.expand(r‘\2 \1\3‘):", m.expand(r‘\2 \1\3‘)
 
### output ###
# m.string: hello world!
# m.re: <_sre.SRE_Pattern object at 0x016E1A38>
# m.pos: 0
# m.endpos: 12
# m.lastindex: 3
# m.lastgroup: sign
# m.group(1,2): (‘hello‘, ‘world‘)
# m.groups(): (‘hello‘, ‘world‘, ‘!‘)
# m.groupdict(): {‘sign‘: ‘!‘}
# m.start(2): 6
# m.end(2): 11
# m.span(2): (6, 11)
# m.expand(r‘\2 \1\3‘): world hello!

 

Pattern

Pattern对象是一个编译好的正则表达式，通过Pattern提供的一系列方法可以对文本进行匹配查找。Pattern不能直接实例化，必须使用re.compile()进行构造。

Pattern提供了几个可读属性用于获取表达式的相关信息：

  • pattern: 编译时用的表达式字符串。
  • flags: 编译时用的匹配模式。数字形式。
  • groups: 表达式中分组的数量。
  • groupindex: 以表达式中有别名的组的别名为键、以该组对应的编号为值的字典，没有别名的组不包含在内。
import re
p = re.compile(r‘(\w+) (\w+)(?P<sign>.*)‘, re.DOTALL)
 
print "p.pattern:", p.pattern
print "p.flags:", p.flags
print "p.groups:", p.groups
print "p.groupindex:", p.groupindex
 
### output ###
# p.pattern: (\w+) (\w+)(?P<sign>.*)
# p.flags: 16
# p.groups: 3
# p.groupindex: {‘sign‘: 3}

 

实例方法

1、match(string[, pos[, endpos]]) | re.match(pattern, string[, flags])

这个方法将从string的pos下标处起尝试匹配pattern；如果pattern结束时仍可匹配，则返回一个Match对象；如果匹配过程中pattern无法匹配，或者匹配未结束就已到达endpos，则返回None。 

>>> import re
>>> re.match(r‘<link rel="(.+)" href="http://(.+)" />‘,‘<link rel="dns-prefetch" href="http://g.alicdn.com" />‘)
<_sre.SRE_Match object at 0x0000000002B6FE88>
>>> re.match(r‘<link rel="(.+)" href="http://(.+)" />‘,‘<link reB="dns-prefetch" href="http://g.alicdn.com" />‘)
>>>

 

2、search(string[, pos[, endpos]]) | re.search(pattern, string[, flags])

这个方法用于查找字符串中可以匹配成功的子串。从string的pos下标处起尝试匹配pattern，如果pattern结束时仍可匹配，则返回一个Match对象；若无法匹配，则将pos加1后重新尝试匹配；直到pos=endpos时仍无法匹配则返回None。 
pos和endpos的默认值分别为0和len(string))；re.search()无法指定这两个参数，参数flags用于编译pattern时指定匹配模式。

# encoding: UTF-8 
import re 
pattern = re.compile(r‘world‘) 
match = pattern.search(‘hello world!‘) 
print match.group() 
 
### Output ### 
# world

3、split(string[, maxsplit]) | re.split(pattern, string[, maxsplit]): 
按照能够匹配的子串将string分割后返回列表。maxsplit用于指定最大分割次数，不指定将全部分割。

p = re.compile(r‘\d+‘)
print p.split(‘one1two2three3four4‘)
 
### output ###
# [‘one‘, ‘two‘, ‘three‘, ‘four‘, ‘‘] 

4、findall(string[, pos[, endpos]]) | re.findall(pattern, string[, flags]): 
搜索string，以列表形式返回全部能匹配的子串。

p = re.compile(r‘\d+‘)
print p.findall(‘one1two2three3four4‘)
 
### output ###
# [‘1‘, ‘2‘, ‘3‘, ‘4‘]

 

5、finditer(string[, pos[, endpos]]) | re.finditer(pattern, string[, flags]): 
搜索string，返回一个顺序访问每一个匹配结果（Match对象）的迭代器。

p = re.compile(r‘\d+‘)
for m in p.finditer(‘one1two2three3four4‘):
    print m.group(),
 
### output ###
# 1 2 3 4

 

6、sub(repl, string[, count]) | re.sub(pattern, repl, string[, count]): 
使用repl替换string中每一个匹配的子串后返回替换后的字符串。 
当repl是一个字符串时，可以使用\id或\g<id>、\g<name>引用分组，但不能使用编号0。 
当repl是一个方法时，这个方法应当只接受一个参数（Match对象），并返回一个字符串用于替换（返回的字符串中不能再引用分组）。 
count用于指定最多替换次数，不指定时全部替换。 

p = re.compile(r‘(\w+) (\w+)‘)
s = ‘i say, hello world!‘
 
print p.sub(r‘\2 \1‘, s)
 
def func(m):
    return m.group(1).title() + ‘ ‘ + m.group(2).title()
 
print p.sub(func, s)#此处函数func内传入的参数为re.match的返回值
#print func(re.match(p,s)) 的输出为I Say
#可见此处函数（sub）的执行特点相当于执行了两次re.match
###output ###
# say i, world hello!
# I Say, Hello World!

 

7、subn(repl, string[, count]) |re.sub(pattern, repl, string[, count]): 
返回 (sub(repl, string[, count]), 替换次数)。

p = re.compile(r‘(\w+) (\w+)‘)
s = ‘i say, hello world!‘
 
print p.subn(r‘\2 \1‘, s)
 
def func(m):
    return m.group(1).title() + ‘ ‘ + m.group(2).title()
 
print p.subn(func, s)
 
### output ###
# (‘say i, world hello!‘, 2)
# (‘I Say, Hello World!‘, 2)

8、爬虫常用的几个函数

def getHtml(url):
    page = urllib.urlopen(url)
    html  =page.read()
    return html
def GetLink(html):  
#    reg = r‘<link rel="(.+)" href="http://(.+)" />‘#正则表达式模板
    imgre = re.compile(reg)  
    imglist = re.findall(imgre,html)  
    return imglist

 参考：http://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html

简单理解正则表达式


联系
我们